Mahout推薦系統中有許多相似度實現，這些元件實現了計算不能User之間或Item之間的相似度。對於資料量以及資料型別不同的資料來源，需要不同的相似度計算方法來提高推薦效能，在mahout提供了大量用於計算相似度的元件，這些元件分別實現了不同的相似度計算方。
User 相似度：
Item 相似度：
皮爾森相關度
類名：PearsonCorrelationSimilarity
原理：用來反映兩個變數線性相關程度的統計量
範圍：[-1,1]，絕對值越大，說明相關性越強，負相關對於推薦的意義小。
說明：1、 不考慮重疊的數量；2、 如果只有一項重疊，無法計算相似性（計算過程被除數有n-1）；3、 如果重疊的值都相等，也無法計算相似性（標準差為0，做除數）。
該相似度並不是最好的選擇，也不是最壞的選擇，只是因為其容易理解，在早期研究中經常被提起。使用Pearson線性相關係數必須假設資料是成對地從正態分佈中取得的，並且資料至少在邏輯範疇內必須是等間距的資料。Mahout中，為皮爾森相關計算提供了一個擴充套件，通過增加一個列舉型別（Weighting）的引數來使得重疊數也成為計算相似度的影響因子。
歐式距離相似度
類名：EuclideanDistanceSimilarity
原理：利用歐式距離d定義的相似度s，s=1 / (1+d)。
範圍：[0,1]，值越大，說明d越小，也就是距離越近，則相似度越大。
說明：同皮爾森相似度一樣，該相似度也沒有考慮重疊數對結果的影響，同樣地，Mahout通過增加一個列舉型別（Weighting）的引數來使得重疊數也成為計算相似度的影響因子。
餘弦相似度
類名：PearsonCorrelationSimilarity和UncenteredCosineSimilarity
原理：多維空間兩點與所設定的點形成夾角的餘弦值。
範圍：[-1,1]，值越大，說明夾角越大，兩點相距就越遠，相似度就越小。
說明：在數學表達中，如果對兩個項的屬性進行了資料中心化，計算出來的餘弦相似度和皮爾森相似度是一樣的，在mahout中，實現了資料中心化的過程，所以皮爾森相似度值也是資料中心化後的餘弦相似度。另外在新版本中，Mahout提供了UncenteredCosineSimilarity類作為計算非中心化資料的餘弦相似度。
Spearman秩相關係數
類名：SpearmanCorrelationSimilarity
原理：Spearman秩相關係數通常被認為是排列後的變數之間的Pearson線性相關係數。
範圍：{-1.0,1.0}，當一致時為1.0，不一致時為-1.0。
說明：計算非常慢，有大量排序。針對推薦系統中的資料集來講，用Spearman秩相關係數作為相似度量是不合適的。
曼哈頓距離
類名：CityBlockSimilarity
原理：曼哈頓距離的實現，同歐式距離相似，都是用於多維資料空間距離的測度
範圍：[0,1]，同歐式距離一致，值越小，說明距離值越大，相似度越大。
說明：比歐式距離計算量少，效能相對高。
Tanimoto係數
類名：TanimotoCoefficientSimilarity
原理：又名廣義Jaccard係數，是對Jaccard係數的擴充套件，等式為
範圍：[0,1]，完全重疊時為1，無重疊項時為0，越接近1說明越相似。
說明：處理無打分的偏好資料。
對數似然相似度
類名：LogLikelihoodSimilarity
原理：重疊的個數，不重疊的個數，都沒有的個數
範圍：具體可去百度文庫中查詢論文《Accurate Methods for the Statistics of Surprise and Coincidence》
說明：處理無打分的偏好資料，比Tanimoto係數的計算方法更為智慧。